a) 您如何实现初始树（A部分）以及为什么选择您的方法？为了实现决策树，我们使用了 ID3（迭代二分法3）启发式。训练阶段-构建决策树：在ID3算法中，我们以原始属性集作为根节点开始。在算法的每次迭代中，我们遍历剩余集合中每个未使用的属性并计算该属性的熵（或信息增益）。然后，我们选择具有最小熵（或最大信息增益）值的属性。剩余的属性集被选定的属性分割以生成数据的子集。该算法继续在每个子集上递归，只考虑以前从未选择过的属性。测试阶段：在运行时，我们将使用经过训练的决策树对新的未见过的测试用例进行分类，方法是使用此测试用例的值向下处理决策树，以到达告诉我们此测试用例属于哪个类的终端节点。我选择这种方法是因为以下原因：它通过选择最佳属性来在每次迭代中拆分数据集，从而使用贪婪方法。在离散数据上运行非常快（在3到4分钟内运行）。